$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
O eletroencefalograma (EEG) é uma ferramenta crítica tanto na pesquisa em neurociência quanto na prática clínica, oferecendo informações valiosas sobre a atividade elétrica cerebral. Os dados de EEG em estado de repouso, em particular, são amplamente utilizados para investigar várias condições neurológicas e psiquiátricas, como acidente vascular cerebral, fibromialgia e dor neuropática crônica. Apesar de sua ampla aplicação, a análise de dados de EEG requer pré-processamento rigoroso para eliminar artefatos e ruídos, garantindo a integridade e confiabilidade dos resultados 1,2,3. Ao longo dos anos, o EEG tem sido inestimável no fornecimento de medições não invasivas e de alta resolução temporal da atividade cerebral, tornando-o indispensável para o estudo dos processos dinâmicos do cérebro 4,5. No entanto, os sinais brutos de EEG são frequentemente contaminados por uma variedade de fontes de ruído que podem obscurecer os sinais neurais de interesse, complicando assim a interpretação dos dados6.
Os sinais de EEG são altamente suscetíveis à contaminação de fontes como atividade muscular, movimentos oculares e interferência elétrica7. Esses artefatos podem obscurecer os sinais neurais, tornando o pré-processamento uma etapa crítica na análise do EEG. Esse processo normalmente envolve vários estágios - conversão de formato de arquivo, downsampling, filtragem, rejeição de artefatos, análise de componentes independentes (ICA) e exclusão de componentes relacionados ao ruído 8,9. Cada etapa contribui para melhorar a qualidade do sinal e garantir que os dados reflitam com precisão a atividade neural10. A complexidade desses processos exige o uso de algoritmos sofisticados e ferramentas de software para garantir que o pré-processamento seja eficiente e eficaz11.
Um dos principais desafios no pré-processamento de dados de EEG é a variabilidade nos dados, que pode diferir significativamente entre os sujeitos e as sessões de gravação10,12. Essa variabilidade surge devido a diferenças nas características fisiológicas e anatômicas dos sujeitos, bem como variações nas condições experimentais e equipamentos utilizados. Além disso, a falta de protocolos padronizados de pré-processamento pode levar a inconsistências na análise e interpretação dos dados13,14. Embora vários pipelines e scripts de pré-processamento estejam disponíveis, muitos deles são adaptados a conjuntos de dados específicos ou carecem de documentação abrangente, tornando-os menos acessíveis à comunidade de pesquisa mais ampla14. Plataformas como o GitHub hospedam vários scripts e plug-ins de pré-processamento de EEG, facilitando o compartilhamento e a melhoria colaborativa dessas ferramentas15. No entanto, a natureza fragmentada desses recursos ressalta a necessidade de um pipeline de pré-processamento editável robusto, eficiente e padronizado que possa ser amplamente aplicado em diferentes conjuntos de dados e contextos de pesquisa16. Esse pipeline não apenas aumentaria a reprodutibilidade dos estudos de EEG, mas também forneceria uma base sobre a qual a comunidade de pesquisa pode construir e se adaptar a necessidades específicas17.
Além do EEGLAB, que forma a base do PIPEMAT-RS devido à sua extensa base de usuários e integração com o MATLAB, outras caixas de ferramentas de processamento de EEG também são amplamente utilizadas no campo. Por exemplo, o MNE-Python é uma plataforma baseada em Python de código aberto que oferece funcionalidades avançadas para localização de origem, análises de espaço de sensor e integração com fluxos de trabalho de aprendizado de máquina. O FieldTrip, uma caixa de ferramentas baseada em MATLAB como o EEGLAB, é conhecido por seu ambiente de script flexível e suporte abrangente para análises de tempo-frequência e conectividade. Embora essas plataformas forneçam alternativas poderosas, elas normalmente exigem curvas de aprendizado mais acentuadas e habilidades de programação mais avançadas. O PIPEMAT-RS foi projetado para unir acessibilidade e transparência, especialmente para pesquisadores que buscam uma solução editável e modular para o pré-processamento de EEG em estado de repouso usando EEGLAB. No entanto, a estrutura conceitual do PIPEMAT-RS pode ser adaptada a outras caixas de ferramentas conforme necessário, promovendo a interoperabilidade e a customização em diferentes ambientes de software.
Vários pipelines automatizados de pré-processamento de EEG foram desenvolvidos nos últimos anos, como RELAX18, Automagic19, APP20 e PREP7. Esses pipelines incorporam algoritmos avançados para remoção de artefatos e limpeza de dados, muitas vezes empregando estratégias baseadas em ICA com transparência ou personalização limitada para usuários não especialistas. Por exemplo, o RELAX introduz um método de limpeza ICA de várias etapas que melhora a rejeição de artefatos, mas depende de configurações complexas que podem não ser facilmente modificáveis21. Por outro lado, o PIPEMAT-RS foi projetado para fornecer uma alternativa flexível, transparente e educacionalmente acessível, permitindo que os pesquisadores entendam e ajustem manualmente cada etapa do pré-processamento. Essa transparência permite que o PIPEMAT-RS seja utilizado como ferramenta de pesquisa e ensino, mantendo o rigor e a reprodutibilidade. Além disso, o PIPEMAT-RS enfatiza a documentação, a execução modular e a adaptabilidade entre conjuntos de dados - recursos que muitas vezes são subnotificados ou ausentes em outros pipelines.
Economicamente, o desenvolvimento e a implementação de um pipeline de pré-processamento editável padronizado para dados de EEG podem ter impactos significativos. O mercado global de dispositivos de EEG foi avaliado em aproximadamente US$ 1,2 bilhão em 2020 e deve crescer a uma taxa composta de crescimento anual (CAGR) de 7,5% de 2021 a 202822. Pipelines de pré-processamento eficientes, particularmente aqueles que são editáveis e modulares, podem reduzir o tempo e o custo associados à análise de dados - uma consideração importante em ensaios clínicos em larga escala e pesquisas em saúde pública. Ao minimizar o erro humano e automatizar tarefas repetitivas, esses pipelines podem melhorar a precisão da análise de dados de EEG e levar a resultados de pesquisa mais confiáveis13. Isso, por sua vez, pode acelerar o desenvolvimento de novas ferramentas diagnósticas e intervenções terapêuticas, potencialmente reduzindo os custos de saúde e melhorando os resultados dos pacientes1.
Este trabalho tem como objetivo apresentar e validar um Pipeline Integrado de Pré-processamento editável padronizado para EEG em Estado de Repouso usando MATLAB (PIPEMAT-RS). Projetado para ser robusto e eficiente, esse pipeline editável é versátil e pode ser amplamente aplicado a vários conjuntos de dados e cenários de pesquisa. As sete etapas abrangentes incluem conversão de formato de arquivo, redução de amostragem, filtragem, rejeição de artefatos, análise de componentes independentes (ICA) e exclusão de componentes relacionados a ruído, todos integrados em um fluxo de trabalho coeso23,24. O desenvolvimento do PIPEMAT-RS foi guiado pela necessidade de enfrentar desafios comuns no pré-processamento de EEG e fornecer uma ferramenta que os pesquisadores possam usar para agilizar seus processos de análise de dados25. Ao integrar-se às práticas comumente adotadas no campo e alavancar os recursos do MATLAB, o PIPEMAT-RS visa oferecer uma estrutura confiável, editável e fácil de usar para apoiar o pré-processamento de dados de EEG26.
Para validar a eficácia do PIPEMAT-RS, aplicamos em vários estudos. Em um estudo, o PIPEMAT-RS foi utilizado para investigar biomarcadores de EEG em pacientes com AVC, identificando correlações significativas entre a função motora desadaptativa e os perfis depressivos27. Outro estudo aplicou o PIPEMAT-RS para analisar assinaturas neurais de compensação cerebral em pacientes com AVC usando EEG e TMS, revelando insights críticos sobre os mecanismos adaptativos do cérebro pós-AVC28. Outra validação vem de um estudo que explorou as adaptações e compensações neurais em pacientes com fibromialgia29. Além disso, outro estudo demonstrou como as bandas delta e no EEG em estado de repouso servem como mecanismos compensatórios na dor neuropática crônica30.
Esses estudos destacam coletivamente a utilidade do PIPEMAT-RS no processamento e análise de dados de EEG, estabelecendo sua eficácia em várias condições e aplicações. Ao fornecer uma abordagem padronizada, esse pipeline não apenas aumenta a reprodutibilidade dos estudos de EEG, mas também facilita a adoção mais ampla de métodos de pré-processamento consistentes na comunidade de pesquisa. Por meio deste artigo, pretendemos contribuir com um recurso valioso para o campo, promovendo uma análise de dados de EEG mais precisa e confiável16,17. Ao fazer isso, esperamos apoiar o avanço da pesquisa em neurofisiologia e o desenvolvimento de novas abordagens terapêuticas para condições neurológicas e psiquiátricas.
As etapas fundamentais de pré-processamento usadas no PIPEMAT-RS estão enraizadas em métodos robustos e amplamente validados que se tornaram essenciais na pesquisa de EEG para garantir a qualidade e reprodutibilidade dos dados 2,8,14. Embora essas metodologias estejam bem estabelecidas, elas continuam sendo cruciais devido à sua eficácia no tratamento de artefatos e ruídos comuns de EEG, o que continua a apoiar análises confiáveis em todos os estudos. No entanto, poucos estudos forneceram recentemente um pipeline padronizado e totalmente documentado, adaptado para EEG em estado de repouso. Ao integrar essas técnicas comprovadas com avanços recentes, como o ICLabel para classificação automatizada de artefatos, o PIPEMAT-RS oferece uma abordagem contemporânea e estruturada que aprimora a replicabilidade e a acessibilidade para os pesquisadores, atendendo a uma necessidade contínua de fluxos de trabalho de pré-processamento rigorosamente documentados no campo.
Embora o pipeline do PIPEMAT-RS siga etapas de pré-processamento estabelecidas comumente empregadas em estudos de EEG, sua documentação na forma de um artigo científico preenche uma lacuna importante na literatura. Muitos estudos de EEG dependem de métodos de pré-processamento semelhantes, mas muitas vezes carecem de uma descrição abrangente e passo a passo que permita total reprodutibilidade e facilidade de adoção por outros pesquisadores. Ao detalhar cada componente do PIPEMAT-RS e apresentar uma sequência padronizada para análise de EEG em estado de repouso, este trabalho visa aumentar a transparência, minimizar a variabilidade do usuário e fornecer uma estrutura replicável aplicável em todos os estudos. Em vez de introduzir novos métodos, esta contribuição pretende servir como um guia instrucional e prático que ajuda a padronizar as práticas de pré-processamento e melhorar a acessibilidade para uma ampla gama de pesquisadores de EEG, particularmente aqueles que trabalham com dados em estado de repouso.
O pré-processamento dos dados do EEG é uma etapa crítica que influencia significativamente a qualidade e a confiabilidade das análises subsequentes. O Pipeline Integrado de Pré-processamento para EEG em Estado de Repouso usando MATLAB (PIPEMAT-RS) foi desenvolvido para enfrentar desafios comuns no pré-processamento de dados de EEG, fornecendo uma abordagem abrangente e padronizada aplicável a vários conjuntos de dados. Este pipeline estruturado e editável consiste em sete etapas principais: i) Conversão de formato de arquivo; ii) Montagem de EEG; iii) Downsampling e Filtragem; iv) Rejeição e Rereferenciamento de Artefatos; v) Análise de Componentes Independentes (ACI); vi) Classificação ICLabel; vii) Normalização de dados. Cada etapa é meticulosamente projetada para melhorar a qualidade do sinal e facilitar a extração de informações significativas dos dados brutos do EEG.
Uma característica crítica do PIPEMAT-RS é que cada etapa de pré-processamento termina com o salvamento do conjunto de dados com um nome de arquivo distinto. Essa estrutura garante que, para cada arquivo processado, seja gerada uma versão derivada correspondente a cada etapa específica. Essa abordagem sistemática permite que os usuários acessem dados em qualquer ponto do pipeline de pré-processamento de sete etapas. Os arquivos salvos incluem identificadores que indicam claramente o estágio de pré-processamento, facilitando o rastreamento e o gerenciamento de dados em todo o fluxo de trabalho.
O PIPEMAT-RS começa com a conversão do formato de arquivo, onde os arquivos de dados brutos do EEG são transformados em um formato compatível com o MATLAB. Essa conversão é essencial para o manuseio contínuo de dados no ambiente computacional robusto do MATLAB. Em seguida, a etapa de montagem do EEG atribui localizações espaciais precisas a cada eletrodo no couro cabeludo com base em sistemas padronizados de colocação de eletrodos. Essas informações espaciais são cruciais para a interpretação precisa dos dados do EEG em estudos neurofisiológicos.
Em seguida, o pipeline aplica downsampling e filtragem para reduzir a taxa de amostragem dos dados e eliminar o ruído, mantendo os componentes de frequência relevantes para a pesquisa neurofisiológica. A redução da amostragem diminui a carga computacional e os requisitos de armazenamento sem comprometer a qualidade dos dados. A filtragem remove componentes de frequência específicos conhecidos por estarem associados a artefatos, preservando assim os sinais neurais essenciais.
Posteriormente, a rejeição e o rereferenciamento do artefato são realizados. Esta etapa identifica e remove segmentos de dados contaminados por fontes de ruído, como piscar de olhos, atividade muscular e movimento do eletrodo. Algoritmos automáticos de rejeição de artefatos são utilizados para minimizar a intervenção manual, reduzindo o potencial de erro humano e aumentando a eficiência do pré-processamento. Rereferenciar os dados para a média de todos os eletrodos ajuda a mitigar a influência de qualquer eletrodo único e fornece uma referência estável para os sinais de EEG.
A etapa de Análise de Componentes Independentes (ICA) refina ainda mais os dados, separando os sinais mistos em suas fontes independentes. Essa decomposição facilita a identificação e remoção de artefatos como piscar de olhos, artefatos musculares e ruído de linha. A ICA é uma técnica poderosa que garante que os dados restantes reflitam com precisão a atividade neural subjacente.
Por fim, a classificação ICLabel é aplicada para identificar e remover automaticamente componentes classificados como artefatos. O ICLabel atribui rótulos probabilísticos a componentes independentes, categorizando-os como atividade cerebral, atividade muscular, piscar de olhos, batimentos cardíacos, ruído de linha ou ruído de canal. Os componentes com alta probabilidade de representar a atividade cerebral são retidos, enquanto aqueles identificados como artefatos são removidos. Essa abordagem automatizada reduz significativamente o esforço manual e garante uma classificação consistente e objetiva em todos os conjuntos de dados.
Cada uma dessas etapas de pré-processamento é essencial para melhorar a qualidade dos dados de EEG. Ao padronizar o fluxo de trabalho de pré-processamento, o PIPEMAT-RS minimiza a variabilidade introduzida por diferentes métodos de pré-processamento, facilitando a comparação dos resultados entre os estudos. A implementação do pipeline no MATLAB, uma plataforma amplamente utilizada na comunidade de neurociência, garante acessibilidade e facilidade de integração nos fluxos de trabalho de pesquisa existentes.
O desenvolvimento do PIPEMAT-RS foi orientado por práticas comumente adotadas na análise de dados de EEG, incorporando métodos e técnicas validados em pesquisas anteriores. Cada etapa foi cuidadosamente projetada e rigorosamente testada para garantir sua eficácia na melhoria da qualidade dos dados (Figura 1). Essa abordagem abrangente não apenas melhora a confiabilidade dos dados do EEG, mas também apóia a identificação de marcadores neurofisiológicos críticos para a compreensão de várias condições neurológicas e psiquiátricas.